本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 使用模型包创建模型
<a name="sagemaker-mkt-model-pkg-model"></a>

使用模型包创建可部署模型，您可以使用该模型通过创建托管终端节点获取实时推理或运行批量转换作业。您可以使用亚马逊 AI 控制台、低级 SageMaker API 或亚马逊 SageMaker [Pyth SageMaker on](https://sagemaker.readthedocs.io/en/stable) 软件开发工具包创建可部署模型。

**Topics**
+ [

## 使用模型包创建模型（控制台）
](#sagemaker-mkt-model-pkg-model-console)
+ [

## 使用模型包创建模型 (API)
](#sagemaker-mkt-model-pkg-model-api)
+ [

## 使用模型包创建模型（[亚马逊 SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)）
](#sagemaker-mkt-model-pkg-model-sdk)

## 使用模型包创建模型（控制台）
<a name="sagemaker-mkt-model-pkg-model-console"></a>

**从模型包中创建可部署的模型（控制台）**

1. 打开 SageMaker AI 控制台，网址为[https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/)。

1. 选择 **Model packages (模型包)**。

1. 从**我的模型包**选项卡上的列表中选择您已创建的模型包，或者在 **AWS Marketplace 订阅**选项卡上选择您已订阅的模型包。

1. 选择**创建模型**。

1. 对于 **Model name (模型名称)**，键入模型的名称。

1. 对于 **IAM 角色**，请选择具有代表您调用其他服务所需权限的 IAM 角色，或者选择**创建新角色**以允许 SageMaker AI 创建附加了`AmazonSageMakerFullAccess`托管策略的角色。有关信息，请参阅[如何使用 SageMaker AI 执行角色](sagemaker-roles.md)。

1. 对于 **VPC**，选择您希望允许模型访问的 Amazon VPC。有关更多信息，请参阅 [让 SageMaker AI 托管的终端节点访问您的 Amazon VPC 中的资源](host-vpc.md)。

1. 保留 **Container input options (容器输入选项)** 和 **Choose model package (选择模型包)** 的默认值。

1. 对于环境变量，提供要传递给模型容器的环境变量的名称和值。

1. 对于 **Tags (标签)**，请指定一个或多个标签来管理模型。每个标签都由一个键和一个可选值组成。每个资源的标签键必须是唯一的。

1. 选择**创建模型**。

创建可部署模型后，您可以使用它来设置实时推理的终端节点，或创建批量转换作业来获取对整个数据集的推理。有关在 SageMaker AI 中托管终端节点的信息，请参阅[部署用于推理的模型](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)。

## 使用模型包创建模型 (API)
<a name="sagemaker-mkt-model-pkg-model-api"></a>

要使用模型包通过 SageMaker API 创建可部署模型，请将模型包的名称或 Amazon 资源名称 (ARN) 指定为`ModelPackageName`传递给 [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateModel.html)API [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ContainerDefinition.html)的对象的字段。

创建可部署模型后，您可以使用它来设置实时推理的终端节点，或创建批量转换作业来获取对整个数据集的推理。有关 SageMaker AI 中托管终端节点的信息，请参阅[部署模型进行推理](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)。

## 使用模型包创建模型（[亚马逊 SageMaker Python SDK](https://sagemaker.readthedocs.io/en/stable)）
<a name="sagemaker-mkt-model-pkg-model-sdk"></a>

要使用模型包通过 SageMaker AI Python SDK 创建可部署模型，请初始化`ModelPackage`对象，然后将模型包的 Amazon 资源名称 (ARN) 作为`model_package_arn`参数传递。例如：

```
from sagemaker import ModelPackage
model = ModelPackage(role='SageMakerRole',
         model_package_arn='training-job-scikit-decision-trees-1542660466-6f92',
         sagemaker_session=sagemaker_session)
```

创建可部署模型后，您可以使用它来设置实时推理的终端节点，或创建批量转换作业来获取对整个数据集的推理。有关在 SageMaker AI 中托管终端节点的信息，请参阅[部署用于推理的模型](https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html)。